《第五章--光电信息处理技术----目标识别技术讲解》由会员分享，可在线阅读，更多相关《第五章--光电信息处理技术----目标识别技术讲解（133页珍藏版）》请在金锄头文库上搜索。
1、,关键技术：,图像拼接技术 图像融合技术 电子稳像技术 目标跟踪技术 目标识别技术,目标识别技术,光电联合变换相关识别技术 模式识别技术,背景 研究对象 实现原理方案 复杂背景下的识别 实验,一、光电联合变换相关识别,1 背景,光电联合变换相关用于光学图像目标的识别，无论是在军事还是在民事都有广泛的应用。 在军事上，如对空监视中实时多目标跟踪、机载或弹载前视图像制导技术、导弹动态测量等。 在民用上，交通监管、工业自动化机器人、过程控制等都是图像目标识别的主要应用。,基本原理,2 研究对象,基于液晶空间光调制器的联合变换相关识别系统是利用电寻址液晶空间光调制器并采用相关方法对图像进行识别。 此系
2、统结合了相关方法和光电结合的优点，实现了高速实时识别的光电联合系统，能够达到对目标图像的快速识别。,光电联合变换相关,1:激光器，2：衰减器，3：光束提升器，4：扩束镜，5：针孔空间滤波想 6:偏振器，7：准直透镜，8：电寻址空间光调制器，9：成像系统， 10：CCD, 11:摄像机，12：空间光调制器控制器，13：PC,单臂光电联合变换相关,1:激光器，2：衰减器，3：光束提升器，4：扩束镜，5：针孔空间滤波想 6:偏振器，7：准直透镜，8：电寻址空间光调制器，9：空间光调制器控制器，10：PC,11:傅立叶透镜，12：CCD，13：PC,应用 目标跟踪,3实现方案,采用联合变换相关器实现相
3、关识别,光电联合变换相关识别的原理框图,4 目标在复杂背景下的识别 功率谱优化技术,针对CCD探测到的功率谱进行优化，可以显著的提高系统识别能力。,经典联合变换相关器的缺点,（1）对模式畸变较敏感，当目标发生尺寸或旋转畸变时，相关峰将降低； （2）零级衍射项强度很高而且宽度大，这将影响互相关峰的观察； （3）背景较复杂时，互相关峰湮没在弥散斑中； （4）背景中出现相似目标时，易发生误判现象。 以上因素将导致系统的识别能力下降，要解决这些问题就必须对功率谱进行改造和优化。,优化前后比较,为定量的明问题，先引入peak-to-output-energy (POE)值。POE定义为输出相关峰值与输出
4、平面平均能量之比。设输出平面每点相关值为 ，互相关峰值为 ，共有M个采样点，则 POE值可以用来衡量系统对目标的识别能力 POE值越大，相关峰值越尖锐，识别效果越好。,4.1功率谱优化技术,采用综合鉴别函数 综合鉴别函数（SDF）法：该方法在设计一幅训练图像的同时，把所有要识别的图像都考虑进去，有效地提高了图像识别能力和系统的容错能力。,4.2去零级像与对数滤波,（a）SDF优化前,（b）SDF优化后,POE=6.56,POE=3.29e+4,目标为1.17倍，旋转25的识别效果,4.3结果,尺寸畸变识别优化,（a）SDF优化前,（b）SDF优化后,归一化后的POE曲线,（b）SDF优化后,（
5、a）SDF优化前,旋转畸变识别优化,归一化后的POE曲线,复杂背景优化,（a）SDF优化前,POE=5.07,（b）SDF优化后,POE=9.47e+3,相似目标优化,（a）SDF优化前,（b）SDF优化后,POE=2.37e+4,POE=27.29,5 单臂光电联合变换系统,1:激光器，2：衰减器，3：光束提升器，4：扩束镜，5：针孔空间滤波想 6:偏振器，7：准直透镜，8：电寻址空间光调制器，9：空间光调制器控制器，10：PC,11:傅立叶透镜，12：CCD，13：PC,5.1实验结果与分析,(a)联合图像,（b）联合图像功率谱,（c）相关输出,黑栅效应,电寻址空间光调制器的象素结构,相关
6、、匹配识别举例,测试场景,模板,基本概念原理 模式识别系统构成 模式识别方法 模式识别的应用,二、模式识别,Pattern Recognition,1、 模式识别概念 人类认识事物,老师教幼儿（学习） 幼儿自己认（决策）,具有某些属性的实体的集合,具体形式：实体 抽象形式：概念,模式和模式识别,模式识别(Pattern Recognition)：确定一个样本的类别属性（模式类）的过程，即把某一样本归属于多个类型中的某个类型。,样本（Sample)：一个具体的研究（客观）对象。如患者，某人写的一个汉字，一幅图片等。,模式(Pattern)：对客体（研究对象）特征的描述（定量的或结构的描述），是取
7、自客观世界的某一样本的测量值的集合（或综合）。,模式和模式识别,美国邮政数字识别数据库(USPS)： 7300个训练样本，2000个测试样本，16X16图像,0,1,9,模式识别可以看成是从模式向类别所作的映射,例：不同写法的数字“1”数字1的类别,模式,类别,连续或者离散,离散,各类空间（Space)的概念,模式采集：从客观世界（对象空间）到模式空间的过程称为模式采集。,特征提取和特征选择：由模式空间到特征空间的变换和选择。,类型判别：特征空间到类型空间所作的操作。,模 式 识 别 三大 任务,为什么研究它？,计算机模式识别问题,生产实践的需要：需要智能机器人，另外人的工资高，而计算机的价格
8、越来便宜。 信息爆炸现象：用人来不及处理信息。如：卫星遥感，超级市场，邮政，银行，指纹库。 危险地带：油漆、放射、高温、核电站。 提高工效：自动化带来的好处已经显而易见。,1929年 G. Tauschek发明阅读机 ，能够阅读0-9的数字。 30年代 Fisher提出统计分类理论，奠定了统计模式识别的基础。 50年代 Noam Chemsky 提出形式语言理论傅京荪 提出句法结构模式识别。 60年代 L.A.Zadeh提出了模糊集理论，模糊模式识别方法得以发展和应用。 80年代以Hopfield网、BP网为代表的神经网络模型导致人工神经元网络复活，并在模式识别得到较广泛的应用。 90年代小样
9、本学习理论，支持向量机也受到了很大的重视。,模式识别简史,2 模式识别系统,数据获取,预处理,特征提取 与选择,分类决策,分类器 设计,信号空间,特征空间,模式识别关注的内容,特征选择与提取 分类器的设计 分类决策规则,基本问题-分类,模式(样本)表示方法 用 n 维列向量来表示 一个（模式）样本，说明该样本具有 n 个数字特征 x= (x1 , x2 , , xn)T 常称之为模式向量或者样本向量,相似与分类： 相似与分类问题远不像集合表达那样简单明确。 用各种距离表示相似性： 已知两个样本 xi=(xi1, xi2 , xi3,xin)T xj=(xj1, xj2 , xj3,xjn)T,
10、基本问题-分类, 欧几里德距离, 绝对值距离,明考夫斯基距离,其中当q=1时为绝对值距离，当q=2时为欧氏距离,模式类的紧致性,临界点(样本)：在多类样本集中，当一些样本的特征值发生微小变化后，就变成另一类样本，这样的样本称为临界样本（点）,无临界点,许多临界点,非常多临界点,3 模式识别的方法,模版匹配法 统计方法 神经网络方法(neural network) 结构方法(句法方法),模版匹配,首先对每个类别建立一个或多个模版 输入样本和数据库中每个类别的模版进行比较，例如求相关或距离 优点：直接、简单 缺点：适应性差,方法,模板与原图,匹配结果,匹配结果,统计方法,根据训练样本，建立决策边界
11、 统计决策理论根据每一类总体的概率分布决定决策边界 判别式分析方法给出带参数的决策边界，根据某种准则，由训练样本决定“最优”的参数,方法,句法方法,许多复杂的模式可以分解为简单的子模式，这些子模式组成所谓 “基元” 每个模式都可以由基元根据一定的关系来组成 基元可以认为是语言中的词语，每个模式都可以认为是一个句子，关系可以认为是语法 模式的相似性由句子的相似性来决定 优点：适合结构性强的模式 缺点：抗噪声能力差，计算复杂度高,方法,神经网络,进行大规模并行计算的数学模型 具有学习、推广、自适应、容错、分布表达和计算的能力 优点：可以有效的解决一些复杂的非线性问题 缺点：缺少有效的学习理论,方法
12、,统计模式识别基本原理,线性判别的一般形式为：,其中，,统计模式识别基本方法,Fisher方法 固定增量法（梯度下降法） 分段线性鉴别器 树鉴别器,Fisher方法,Fisher方法：是一种降低特征空间维数的方法，其实质是寻找一新的坐标轴，使两类样本特征空间中的各点在它上面的投影能较好的分开。,Fisher线性分类器的设计原则是： 使 尽量大，而 尽量小。,Fisher方法,误差纠正规则：梯度下降法,误差：,误差纠正：,输出：,其中：,可得：,统计分类器,特征: 1. 颜色 2. 形状,分段线性鉴别器,树鉴别器,识别过程 举例,特征提取和选择：对单个鱼的信息进行特征选择，从而通过测量某些特征来
13、减少信息量 长度 亮度 宽度 鱼翅的数量和形状 嘴的位置，等等 分类决策：把特征送入决策分类器,识别过程 举例,识别过程,几种分类器的性能对比,存在问题,线性不可分 多个目标的快速识别,人工神经网络用于模式识别,人工神经网络简介： 20世纪末迅速发展起来的一门高技术，它的基本思想是从仿生学的角度，模拟人脑神经系统的运作方式，使机器具有人脑那样的感知、学习和推理能力。,人工神经网络是目标识别的重要方法,图 神经网络学习系统框图,BP神经网络是最基本的也是应用最广泛的神经网络,Rumelhart Hinton和Williams于1986年发表文章，提出了误差逆向传播神经网络，也称BP神经网络。,B
14、P网络思路：利用实际输出与理想输出的差值（称为误差）反馈到前面的网络，从而改变各层权值，权值改变后，使误差减小。通过不断输入同样的输入值（学习），使输出值逼近理想值。,BP学习算法,误差修正：,总误差：,一个三层、三输入、一输出bp网络的例子：,颜色,纹理,形状,2,1,3,1,颜色2 代表：肉色 纹理1代表：皮肤纹理 形状3代表： 椭圆形 输出1代表：人脸,物体类别,理想状态,如果第一次输入,3,2,1,4,如何使系统自动从4调节到1？,4代表猴子的脸,权值,例子中 误差是4-1=3 利用 3 去改变各层权值 使误差减小。 假设输入一次“2、1、3”，误差减小1 那么 第二次输入 输出为3
15、第三次输入 输出为2 第四次输入 输出为1 达到目标，不再输入。,共四次输入,通过例子可知，BP神经网络的关键是寻找这么一个函数,权值,=,f（误差）,如果改变上述函数使得，每次输入，输出减少1.5 则如图,颜色,纹理,形状,2,1,3,4,第一次输入,颜色,纹理,形状,2,1,3,2.5,第二次输入,颜色,纹理,形状,2,1,3,1,第三次输入,共三次输入,改变f （误差）之后，网络学习能力增强！,如何选取函数f ？,定义E为误差函数,与,如何建立联系？,梯度下降法思路：沿误差E下降最快的方向将权向量移动一个很小的距离。重复这一过程，将产生一系列权重向量,为学习速率参数,BP算法的基本流程,
16、神经网络在目标识别中做分类器,颜色,纹理,形状,假如神经网络学习100次后,第101次输入：,是,人脸,4,5,6,50,不是,目的：在智能交通管理方面的应用车型的识别。 步骤： （1）汽车图像的获得以及预处理方面，主要涉及汽车图像的自动摄取，图像去噪及增强，边缘检测等。 （2）汽车的特征提取，采用填充图像、不同形状区域标注、直线检测等方法，以提取更有效、明显的特征。 （3）神经网络分类器的设计。基于神经网络并行分类的特点有效的处理汽车的不同特征以完成识别。采用BP网络。,举例：汽车图像的识别,（一）目标图像的获取及预处理,图像的获取部分由CCD摄像机、图像采集卡、计算机等硬件组成。,图像的分割,图像分割成不同的区域，或把不同的东西分开(分割); 识别图像中要找的东西，也就是对图像中不同的特征进行分类(识别与分类)； 对于
